[Ch01] 1.2 Goals of Recommender Systems

1.2 Goals of Recommender Systems

추천시스템의 주요모델

---

1. Prediction version of problem

• 해당 모델은 user-item간의 조합하여 평가되지 않은 item들에 대한 평가를 예측하는 방법입니다.
• 해당 문제는 매트릭스 완료 문제라고도 하는데, 이는 불완전한 행렬을 가지고 나머지 값을 예측하기 때문입니다.

2. Ranking version of problem

• 특정 user에게 상위 K개의 item을 추천하거나 특정 item을 대항으로 할 상위 K명의 user를 결정하는 방법입니다.(Top-K 추천문제)
• 해당 모델의 경우에는 예측등급이 가지는 절대값이 크게 중요도를 가지지 않습니다.
• 해당 모델은 첫 번째 문제를 해결한 이후에 도출되기 때문에 첫 번째 모델이 조금 더 일반적입니다.

추천 시스템의 운영 및 기술목표

---

[주요 운영 목표]

1. Relevance(관련성) :

• user와 관련된 item 추천하는 것

2. Novelty(참신함) :

• 추천 시스템이 추천하는 item은 user가 이전에 보지 못한 item일 경우에 매우 유용→user의 item과 관련되었지만 user가 보지 않은 item

3. Serendipity(우연성) :

• 단순히 user가 이전에 알지 못했던 item이 아니라 정말 완전히 다른 item 추천→user의 item과 관련되었지만 user가 보지 않은 item

4. Increasing recommendation diversity(추천 다양성 증가) :

• 다양한 유형의 item을 추천하는 것

[추천시스템 예시]
1. GroupLens Recommender System

• Usenet news의 추천을 위한 프로토타입 연구에서 시작
• 초기 자동 협업필터링 알고리즘의 일부 개발
• 벤치마킹에 쉽게 사용가능한 여러 데이터 셋 공개(Movielens Dataset 등)

2. Amazon.com Recommender System

• 명시적으로 제공된 등급(별점), 구매 행동 및 검색 행동에 기초하여 제공
• 사용자의 구매 또는 검색 행동은 암시적 등급

3. Netflix Movie Recommender System

• user에게 등급을 매기는 기능 제공(별점)
• user가 시청한 item 저장
• 이를 기반으로 추천 제공
• 추천 시 추천 item에 대한 설명 제공
• 잠재 요인 모델 등과 같은 추천알고리즘을 대중화 시킴(Netflix Prize)

4. Google News Personalization System

• user의 클릭 이력을 바탕으로 사용자에게 뉴스를 추천
• 뉴스 기사가 item
• 클릭하는 행위로 평가를 받기 때문에 단일등급

5. Facebook Friend Recommendations

• 쇼셜 네트워크에서 사용자의 경험을 향상시키기 위해 추천 시스템 활용
• 링크 추천 문제를 주로 다룸